Ponto Mais Próximo Profundo: Aprendendo Representações para Registro de Nuvem de Pontos

O registro de nuvem de pontos é um problema chave para visão computacional aplicada a robótica, imagens médicas e outras aplicações. Este problema envolve encontrar uma transformação rígida de uma nuvem de pontos em outra para que elas se alinhem. O Ponto Mais Próximo Iterativo (ICP) e suas variantes fornecem métodos iterativos simples e facilmente implementáveis para essa tarefa, mas esses algoritmos podem convergir para óptimos locais espúrios. Para abordar óptimos locais e outras dificuldades no pipeline do ICP, propomos um método baseado em aprendizado, intitulado Ponto Mais Próximo Profundo (DCP), inspirado por técnicas recentes em visão computacional e processamento de linguagem natural. Nosso modelo consiste em três partes: uma rede de incorporação de nuvem de pontos, um módulo baseado em atenção combinado com uma camada de geração de ponteiros para aproximar correspondência combinatória, e uma camada de decomposição em valores singulares (SVD) diferenciável para extrair a transformação rígida final. Treinamos nosso modelo de ponta a ponta no conjunto de dados ModelNet40 e mostramos em várias configurações que ele se desempenha melhor que o ICP, suas variantes (por exemplo, Go-ICP, FGR) e o método baseado em aprendizado recentemente proposto PointNetLK. Além de fornecer uma técnica de registro de última geração, avaliamos a adequação de nossas características aprendidas transferidas para objetos não vistos. Também fornecemos uma análise preliminar do nosso modelo aprendido para ajudar a entender se características específicas de domínio e/ou globais facilitam o registro rígido.